Motivation
In praktisch allen Bereichen aus Technik, Wirtschaft und Gesellschaft tritt bei der Optimierung von Entscheidungen oder Prozessen das Dilemma auf, dass miteinander in Konkurrenz stehende Kriterien von ähnlicher Bedeutung sind. So ist es beispielsweise gewünscht, dass ein Produkt eine hohe Qualität bei gleichzeitig niedrigen Produktionskosten aufweist Die Herausforderung besteht allgemein darin, optimale Kompromisslösungen zu identifizieren. Eine solches Optimierungsproblem, bei dem es verschiedene Kriterien bestmöglich zu erfüllen gilt, gibt es auch bei KI-Systemen. Dort stehen sich Aspekte wie Trainingsfehlerminimierung, numerische Effizienz, Generalisierbarkeit, Störungsrobustheit, oder eine bestmögliche Interpretierbarkeit gegenüber. Eine solche „ Mehrzieloptimierung“ bietet sehr großes Potenzial, um KI-Systeme zu verbessern.
Ziele und Vorgehen
Der zentrale Forschungsaspekt von MultiML ist die Entwicklung von Methoden zur Mehrzieloptimierung, die das Training tiefer neuronaler Netze robuster, effizienter sowie interaktiver machen. Darüber hinaus ermöglicht die Einbindung von Expertenwissen, extrem effiziente, auf bestimmte Problemklassen zugeschnittene Methoden zu konstruieren. Mit diesen Fortschritten steigen jedoch auch die Herausforderungen bezüglich Konstruktion und Training der tiefen neuronalen Netze, z.B. an die benötigten Datenmengen, die Trainingseffizienz sowie die Anpassungsfähigkeit an sich ändernde äußere Einflussfaktoren. Um diese Forschungsziele umzusetzen, bedarf es eines interdisziplinären Ansatzes aus den Bereichen der Optimierungsforschung, des Maschinellen Lernens sowie der Physik und den datengetriebenen Ingenieurwissenschaften.
Innovationen und Perspektiven
Mit dem Thema Mehrzieloptimierung arbeitet das grundlagenorientierte Vorhaben in einem Bereich, der große Auswirkungen auf industrielle und wirtschaftliche Prozess- und Entscheidungsoptimierungen hat. Da bisherige Optimierungsmethoden meist nur unzureichend funktionieren, sind neue Ansätze dringend erforderlich und lassen große Fortschritte bei der Optimierung von KI-Systemen erwarten.